یادگیری ماشینی به محققان کمک می کند زباله های پلاستیکی قابل کمپوست را با دقت بسیار بالا جدا کنند

14 مارس 2023-اعتبار: Unsplash/CC0 دامنه عمومی

پلاستیک های یکبار مصرف همه جا هستند: ظروف غذا، فنجان های قهوه، کیسه های پلاستیکی. برخی از این پلاستیک‌ها که پلاستیک‌های قابل کمپوست نامیده می‌شوند، می‌توانند برای تجزیه زیستی تحت شرایط کنترل‌شده مهندسی شوند. با این حال، آنها اغلب شبیه به پلاستیک های معمولی به نظر می رسند، به اشتباه بازیافت می شوند و در نتیجه، جریان زباله های پلاستیکی را آلوده می کنند و کارایی بازیافت را کاهش می دهند. به طور مشابه، پلاستیک‌های قابل بازیافت اغلب با پلاستیک‌های قابل کمپوست اشتباه گرفته می‌شوند که منجر به کمپوست آلوده می‌شود.

محققان دانشگاه کالج لندن (UCL) مقاله‌ای را در Frontiers in Sustainability منتشر کرده‌اند که در آن از یادگیری ماشینی برای دسته‌بندی خودکار انواع پلاستیک‌های قابل کمپوست و زیست تخریب‌پذیر و متمایز کردن آنها از پلاستیک‌های معمولی استفاده کردند.

پروفسور مارک میودونیک، نویسنده مسئول این مطالعه گفت: “دقت بسیار بالا است و به این روش اجازه می دهد تا در آینده به طور عملی در تاسیسات بازیافت صنعتی و کمپوست استفاده شود.”

محققان با انواع مختلف پلاستیک با ابعاد بین 50 در 50 میلی متر و 5 میلی متر در 5 میلی متر کار کردند. نمونه‌های پلاستیکی معمولی شامل PP و PET بودند که اغلب برای ظروف غذا و بطری‌های آشامیدنی استفاده می‌شدند، و همچنین LDPE که از جمله برای کیسه‌های پلاستیکی و بسته‌بندی استفاده می‌شد. نمونه‌های پلاستیکی قابل کمپوست شامل PLA و PBAT بودند که برای درب فنجان، کیسه‌های چای و بسته بندی مجله استفاده می‌شد. و همچنین برگ خرما و نیشکر، هر دو مواد مشتق شده از زیست توده برای تولید بسته بندی استفاده می شود. نمونه ها به یک مجموعه آموزشی تقسیم شدند که برای ساخت مدل های طبقه بندی استفاده می شود. و یک مجموعه تست که برای بررسی دقت استفاده می شود.

نتایج نرخ موفقیت بالایی را نشان داد: این مدل زمانی که نمونه‌ها بیش از 10 میلی‌متر در 10 میلی‌متر اندازه‌گیری شدند، دقت کاملی را برای همه مواد به دست آورد. با این حال، برای مواد مشتق شده از نیشکر یا برگ خرما با ابعاد 10 میلی متر در 10 میلی متر یا کمتر، نرخ طبقه بندی نادرست به ترتیب 20٪ و 40٪ بود.

با نگاهی به قطعات با ابعاد 5 میلی‌متر در 5 میلی‌متر، برخی از مواد با اطمینان بیشتری نسبت به سایرین شناسایی شدند: برای قطعات LDPE و PBAT نرخ طبقه‌بندی اشتباه 20 درصد بود. و هر دو مواد مشتق شده از زیست توده به میزان 60٪ (نیشکر) و 80٪ (برگ خرما) اشتباه شناسایی شدند. با این حال، مدل قادر به شناسایی قطعات PLA، PP و PET بدون خطا، بدون توجه به اندازه‌گیری‌های نمونه بود.

“در حال حاضر، بیشتر پلاستیک های قابل کمپوست به عنوان یک آلاینده در بازیافت پلاستیک های معمولی در نظر گرفته می شوند و ارزش آنها کاهش می یابد. ترومل و مرتب سازی چگالی برای غربالگری کمپوست و کاهش حضور سایر مواد اعمال می شود. با این حال، سطح آلاینده های حاصل از فرآیند غربالگری فعلی انجام می شود. میودونیک توضیح داد که به طور غیرقابل قبولی بالا است. مزایای بسته‌بندی‌های کمپوست‌پذیر تنها زمانی تحقق می‌یابد که به صورت صنعتی کمپوست شوند و وارد محیط‌زیست نشوند یا سایر جریان‌های زباله یا خاک را آلوده نکنند.»

برای بهبود دقت، تیمی از دانشمندان از جمله Nutcha Teneepanichskul، پروفسور Helen Hailes و Miodownik از مرکز نوآوری زباله پلاستیکی UCL، انواع مختلفی از پلاستیک‌های معمولی، کمپوست‌پذیر و زیست تخریب‌پذیر را با استفاده از تصویربرداری فراطیفی (HSI) برای توسعه مدل طبقه‌بندی آزمایش کردند.HSI یک تکنیک تصویربرداری است که امضای شیمیایی نامرئی مواد مختلف را در حین اسکن آنها تشخیص می دهد و یک توصیف شیمیایی پیکسل به پیکسل از یک نمونه را تولید می کند. مدل‌های هوش مصنوعی برای تفسیر این توصیف‌ها و شناسایی مواد استفاده شد.

سوءمدیریت پلاستیک در فرآیندهای بازیافت و کمپوست صنعتی زیاد است و مکانیسم های مرتب سازی قابل اعتماد را ضروری می کند. میودونیک خاطرنشان کرد: در حال حاضر سرعت شناسایی برای اجرا در مقیاس صنعتی بسیار پایین است. با این حال، «ما می‌توانیم آن را بهبود بخشیم و خواهیم کرد، زیرا مرتب‌سازی خودکار یک فناوری کلیدی برای تبدیل پلاستیک‌های کمپوست‌پذیر به جایگزینی پایدار برای بازیافت است».